Fugu-MT 論文翻訳(概要): Efficient Tracking and Understanding Object Transformations

論文の概要: Efficient Tracking and Understanding Object Transformations

arxiv url: http://arxiv.org/abs/2607.19743v1
Date: Wed, 22 Jul 2026 04:28:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-23 18:51:37.97597
Title: Efficient Tracking and Understanding Object Transformations
Title（参考訳）: オブジェクト変換の効率的な追跡と理解
Abstract要約: FluxGraphは、SAM2の内部マルチマスク不一致を変換検出のトリガとして使用する、リアクティブな亜種である。 VOSTのTubletGraphよりも高速で、トラッキング性能を改善し、状態グラフの品質を保っている。
参考スコア（独自算出の注目度）: 35.60577193265427
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tracking objects through state transformations is essential for understanding real-world dynamics. However, existing methods are computationally expensive. TubeletGraph recently showed impressive capabilities, but its inference cost (~$4.4$ seconds per object-frame on VOST) precludes any real-time deployment possibilities. We observe that TubeletGraph's overhead arises from building a spatiotemporal partition of the input video: (1) entity segmentation is computed densely for every frame regardless of whether a transformation occurs, and (2) every entity in the scene is tracked, scaling cost with scene complexity rather than the number of transformations of interest. To address both, we propose FluxGraph, a reactive variant that uses SAM2's internal multi-mask disagreement as a lightweight trigger for transformation detection, and removes the need for tracking all entities in the given video. FluxGraph is ~$3.3\times$ faster than TubeletGraph on VOST while improving tracking performance and preserving state graph quality. Furthermore, we also observe consistent speedups of $3.7-10.7\times$ across VSCOS, M$^3$-VOS, and DAVIS17 while maintaining performance. Code is publicly available at https://github.com/YihongSun/FluxGraph.
Abstract（参考訳）: 状態変換を通してオブジェクトを追跡することは、現実世界のダイナミクスを理解するのに不可欠である。しかし、既存の手法は計算に高価である。 TubeletGraphは最近、印象的な機能を示したが、その推論コスト(VOSTのオブジェクトフレームあたり約4.4ドル秒)は、リアルタイムデプロイメントの可能性を妨げている。本研究では,入力ビデオの時空間分割によってTubletGraphのオーバーヘッドが生じることを観察する。(1) 変換の有無に関わらず,エンティティセグメンテーションは各フレームに対して密に計算され,(2) シーン内のすべてのエンティティが追跡され,関心の変換の数ではなく,シーンの複雑さによるスケーリングコストが増大する。両方に対処するため,SAM2の内部マルチマスク不一致を変換検出の軽量トリガとして使用するリアクティブなFluxGraphを提案する。 FluxGraphはVOST上のTubletGraphよりも3.3\times$速いが、トラッキング性能と状態グラフの品質は向上している。さらに、VSCOS、M$^3$-VOS、DAVIS17をまたいだ3.7-10.7\times$という一貫したスピードアップも、性能を維持しながら観察する。コードはhttps://github.com/YihongSun/FluxGraphで公開されている。

関連論文リスト

Think While You Map: Asynchronous Vision-Language Agents for Incremental 3D Scene Graphs [10.390999817790425]
Open-vocabulary 3D scene graph method は通常、2つの段階で機能する: 最初は再構成し、次に視覚言語モデルに富む。本稿では,軽量なオンラインマッピングと重み付きセマンティックリファインメントを同時に行う非同期アーキテクチャを提案する。本手法は, セマンティックセグメンテーションにおいて, 既存のオープンボキャブラリ3次元シーングラフ法に適合するか, 性能を向上する。
論文参考訳（メタデータ） (2026-06-30T10:49:21Z)
Synthetic Visual Genome 2: Extracting Large-scale Spatio-Temporal Scene Graphs from Videos [44.20016464849895]
マルチスケール・パノプティクス・セグメンテーション,オンライン・オフライン・トラッキング,トラジェクトリ・セマンティック・パーシングによる新たなオブジェクトの自動発見,GPT-5に基づく時間的関係推論を組み合わせた完全自動パイプラインを設計する。 TRaSERは、トラジェクトリ整列トークン配置機構と新しいモジュール、オブジェクト-トラジェクトリ・リサンプラーと時間-ウインドウ・リサンプラーでVLMを増強する。 SVGSG、VIPSeg、VidOR、SVG2テストデータセットでは、TRaSERは関係検出を+15から20%改善し、オブジェクト予測を+30から40%改善する。
論文参考訳（メタデータ） (2026-02-26T22:52:43Z)
Nüwa: Mending the Spatial Integrity Torn by VLM Token Pruning [82.39668822222386]
ビジョントークンプルーニングは、効率的なビジョン言語モデル(VLM)のための効果的なアクセラレーション手法であることが証明された。空間的整合性を維持しつつ,効率的な特徴集約を実現するための2段階のトークンプルーニングフレームワークである$textNwa$を提案する。実験によると、textNwa$は複数のVQAベンチマーク(94%から95%)でSOTAのパフォーマンスを達成し、視覚的グラウンドタスク(7%から47%)を大幅に改善している。
論文参考訳（メタデータ） (2026-02-03T00:51:03Z)
Tracking and Understanding Object Transformations [43.15129025464927]
我々は、状態変化を検出し、記述しながら、変換を通してオブジェクトを追跡する、Track Any Stateのタスクを紹介します。ゼロショットシステムであるTubletGraphは、トランスフォーメーション後のオブジェクトを復元し、時間とともにオブジェクトの状態がどのように進化しているかをマップする。 TubeletGraphは、複雑なオブジェクト変換のための時間的接地と意味論的推論において、オブジェクト変換と有望な能力の深い理解を実現する。
論文参考訳（メタデータ） (2025-11-06T18:59:30Z)
H$_{2}$OT: Hierarchical Hourglass Tokenizer for Efficient Video Pose Transformers [124.11648300910444]
Heerarchical Hourglass Tokenizer (H$_2$OT) と呼ばれる階層的なプラグアンドプレイプルーニング&ドル回復フレームワークを提案する。提案手法は汎用的であり,Seq2seqおよびSeq2frameパイプラインの共通VPTモデルに容易に組み込むことができる。
論文参考訳（メタデータ） (2025-09-08T17:59:59Z)
DeltaFlow: An Efficient Multi-frame Scene Flow Estimation Method [10.777409790795351]
Delta$Flow(Delta$Flow)は、Delta$スキームを通じてモーションキューをキャプチャする軽量な3Dフレームワークである。 Delta$Flowは22%低いエラーと2倍高速な推論で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2025-08-23T15:06:59Z)
Sparse VideoGen: Accelerating Video Diffusion Transformers with Spatial-Temporal Sparsity [59.80405282381126]
拡散変換器(DiT)はビデオ生成を支配しているが、その高い計算コストは現実の応用性を著しく制限する。 Sparse VideoGen (SVG) と呼ばれる3次元フルアテンションに固有の空間を利用して推論効率を向上する学習自由フレームワークを提案する。 SVGはCagVideoX-v1.5とHunyuanVideoで最大2.28倍と2.33倍のスピードアップを達成する。
論文参考訳（メタデータ） (2025-02-03T19:29:16Z)
PointOdyssey: A Large-Scale Synthetic Dataset for Long-Term Point Tracking [90.29143475328506]
本稿では,大規模合成データセットとデータ生成フレームワークであるPointOdysseyを紹介する。私たちのゴールは、自然主義的な動きを持つ長いビデオに重点を置いて、最先端の技術を推し進めることです。実世界のモーションキャプチャーデータを用いて変形可能なキャラクタをアニメーション化し、モーションキャプチャー環境に合わせて3Dシーンを構築し、リアルビデオ上で構造から抽出したトラジェクトリを用いてカメラ視点を描画する。
論文参考訳（メタデータ） (2023-07-27T17:58:11Z)
Video Transformer Network [0.0]
本稿では,ビデオ認識のためのトランスフォーマーベースのフレームワークを提案する。近年の視覚変換器の発展に触発されて、3D ConvNetに依存するビデオアクション認識の標準的アプローチを廃止する。われわれのアプローチは汎用的で、任意の2次元空間ネットワーク上に構築されている。
論文参考訳（メタデータ） (2021-02-01T09:29:10Z)
Learning to Segment Rigid Motions from Two Frames [72.14906744113125]
本研究では, 運動場から独立物体の動きを復元する幾何学的解析により, モジュラーネットワークを提案する。 2つの連続フレームを入力とし、背景のセグメンテーションマスクと複数の剛体移動オブジェクトを予測し、3次元の剛体変換によってパラメータ化する。本手法はkittiおよびsintelにおける剛体運動セグメンテーションの最先端性能を実現する。
論文参考訳（メタデータ） (2021-01-11T04:20:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。